Aug, 2020

RODEO：在线目标检测回放

PDF
TL;DR本文研究了视觉检测任务的增量学习，通过一种在线流式学习的方法，使用一种新颖的记忆重放机制，使系统可以在时间上逐步引入新类别来完成物体检测任务，并在 Pascal VOC 2007 和 MS COCO 数据集上取得了最好的实验结果。
visual detectiondeep learningonline streaming learningobject detectionmemory replay mechanism
发现论文，激发创造
  • 增强盒回放：解决增量物体检测中的前景偏移

    通过创新的 Augmented Box Replay (ABR) 方法和 Attentive RoI Distillation loss，本研究克服了前景偏移问题，并且在保持当前类别的高可塑性的同时，显著减少了对以前类别的遗忘，且与标准图像回放相比大大降低了存储要求。

    Jul, 2023

  • 终身目标检测

    本研究提出了一种通过区域提议网络和区域分类网络的知识蒸馏来预防灾难性遗忘的方法，以持续或终身学习实时物体检测，实验结果表明该方法具有较高的 mAP 和 6 倍的推理速度提升。

    Sep, 2020

  • 基于重播的连续学习在语义分割中的应用: RECALL

    研究使用生成对抗网络和网络抓取数据重现不可用的旧类数据，避免遗忘和背景类的数据分布变化，达到在连续学习中存在不同步骤和背景类分布变化的情况下更好的表现。

    Aug, 2021

  • 无灾难遗忘的目标检测的增量学习

    通过使用一种新的损失函数，这篇研究提出了一种解决卷积神经网络增量学习中 “灾难性遗忘” 的问题的方法，可以在没有原始训练数据或注释的情况下适应新类别，并在 PASCAL VOC 2007 和 COCO 数据集上实现了物体检测。

    Aug, 2017

  • 视频视觉目标跟踪的深度强化学习

    本文提出一种全面的端到端视频视觉跟踪方法，利用循环卷积神经网络代理与视频进行交互，并结合强化学习算法来学习不断的关注连续帧相关性和最大化在长期内的跟踪性能，实现了比现有跟踪基准更快速的状态 - of-the-art 性能。是第一个将卷积和循环网络与强化学习算法相结合的神经网络跟踪器。

    Jan, 2017

  • 在线持续学习用于室内物体识别的强健性

    家用机器人上安装的视觉系统需要与不可见的类别在多变的环境中进行交互。我们提出了 RobOCLe 作为一种少样本在线持续学习模型，通过构建富化特征空间和计算样本的高阶统计矩来改善连续学习模型的鲁棒性。

    Jul, 2023

  • 工业制造中人机协作的快速自动化物体注册

    本文提出了一个基于 Faster R-CNN 的快速目标检测模型重训练的端到端框架，涵盖了自动图像生成和标注、现场模型重训练以及基于 FPGA 边缘设备的推理的全流程。同时，我们提出了一种新的损失函数 —— 内部扩散物体球损失函数来解决开放世界识别问题，并且可以显著减少未知目标的误报率。

    Apr, 2022

  • RECALL: 无需回忆的连续学习用于目标分类

    提出了一种名为 RECALL 的新型无训练回溯方法，可持续性地学习新的未见过的物体类别，采用回想流程对旧类别进行分类，采用新头部来适应新类别，同时提出了一个正则化策略来减轻遗忘，提出了包括方差的马氏损失，以适应可变密度的新旧类别差异，并在 HOWS-CL-25 数据集上验证了方法的有效性。

    Sep, 2022

  • 多阶段强化学习用于目标检测

    采用强化学习方法进行对象检测，采用预定义区域候选树、缩放操作和优化奖励函数等技术手段，实现更精准的物体边框配置。

    Oct, 2018

  • 防止灾难性遗忘的神经网络提醒

    提出 REMIND 方法，用于神经网络的在线学习。该方法以压缩的记忆方式实现了网络的更新，达到了降低过去学习内容遗忘的目的，并在图像分类和视觉问答任务中表现出了优越性。

    Oct, 2019